[发明专利]基于局部直觉模糊支持向量机的异常行为识别方法

说明书

基于局部直觉模糊支持向量机(LIFSVM)的异常行为识别方法，包括：1)提取样本的局部类别信息，获得样本类内和类间的邻域信息；2)根据不均衡度、样本局部信息和离群点因子，计算样本类内权重和类间权重；3)针对不均衡异常行为识别问题，构造噪声不敏感的LIFSVM优化模型；4)对优化问题进行推导，求解线性方程组获得模型的最优解；5)分别构造异常行为和正常行为的非平行近端超平面，依此得到LIFSVM模型的最优决策函数；6)预测行为是否为危险动作。本发明能提高异常行为的识别率，更精准地完成行为识别任务。

技术领域

本发明属于异常行为图像识别领域，特别是针对不均衡噪声场景下的异常行为识别问题。具体涉及一种局部直觉模糊支持向量机(Local Intuitionistic Fuzzy SupportVector Machine，简称LIFSVM)的异常行为识别方法。

背景技术

异常行为识别，即对监控区域中人的行为是否有异常进行识别。人体行为识别在各领域中有着十分广泛的应用，包括交通安全、智能视频监控和人机交互等实际生活场景。比如，在实际生活中，行人通过斑马线时低头玩手机的情形时常出现。还有，有的人为了“方便”，通过危险翻越栅栏，来快速穿行马路，如图1所示。这些不当行为都给交通安全带来了很大的困扰，所以如何方便快速的制止此类行为，是现在很多人都在考虑研究的问题。或者家中老人出现摔倒等危害健康的场景时，由于未及时发现并送医治疗，而出现重大悲惨事件。综合上述，迫切需要一个性能优异的智能人体异常行为识别技术。

然而，人体异常行为识别将面临如下两个挑战。第一，相对正常行为，异常行为发生的概率低很多。在数据集中，异常行为样本数量远远小于正常行为样本。因此，人体异常行为识别问题是一个高度类别不均衡问题。而大部分的机器学习方法都是基于数据均衡假设的，并不能直接应用于行为识别场景中。对于类不平衡问题，由于类别样本数的差异，会使得分类器更倾向于多数类，导致少数类样本分类错误，而少数类存在样本少但价值高的现象，故使得分类器效果不佳。第二，在数据采集的过程中，由于设备故障、光线过强或过弱和外物遮挡等原因，导致数据样本存在噪音问题。对于噪音/离群点的问题，将给机器学习模型的学习带来较大的负面影响，降低模型的识别性能。因此，如何准确识别人体异常行为是一项非常具有挑战性的任务。

现有的基于机器学习的人体行为识别技术主要分为行为特征提取和异常行为识别两个阶段。具体地说，首先对监控场景中的人进行行为特征提取，然后，机器学习模型根据所提取的特征进行学习和异常行为识别。而在实际的行为特征提取过程中，监控场景中所提取的行为特征往往是有噪声的，并且不同类别的数据通常是不均衡的。因此针对这两个问题，本领域内学者在以下文献中提出相应的异常行为识别解决方案：[1]Batuwita R,Palade V.FSVM-CIL:Fuzzy Support Vector Machines for Class Imbalance Learning[J].IEEE Transactions on Fuzzy Systems,2010,18(3):558-571.[2]Richhariya B,Tanveer M.A robust fuzzy least squares twin support vector machine for classimbalance learning[J].Applied Soft Computing,2018,71:418-432.[3]Rezvani S,Wang X,Pourpanah F.Intuitionistic Fuzzy Twin Support Vector Machines[J].IEEETransactions on Fuzzy Systems,2019,27(11):2140-2151.[4]Tanveer M,Ganaie M A,Bhattacharjee A.Intuitionistic Fuzzy Weighted Least Squares Twin SVMs[J].IEEETransactions on Cybernetics,2022:1-10.